EEG sinyali kullanarak epileptik nöbetlerin gerçek zamanlı tahmini

Abstract

Elektroensefalografi (EEG) sinyallerinin analizi ile epileptik nöbetlerin belirlenmesi, epilepsi hastalığı tanısı için standart bir yöntem haline gelmiştir. Epileptik nöbetlerin uzman nörologlar tarafından el ile belirlenmesi yoğun çalışma gerektiren, oldukça zaman alıcı bir işlem olduğu gibi kişilerden kaynaklanan çeşitli hataların oluşmasına sebep olmaktadır. Bu sebeple epileptik nöbetlerin doğru ve otomatik bir şekilde belirlenmesine ihtiyaç duyulmaktadır. Bu amaç doğrultusunda bu tez kapsamında, EEG sinyalinden frekans tabanlı öznitelikler çıkarılmış ve kolektif öğrenmeye dayalı sınıflandırıcılar kullanılarak yeni bir yöntem önerilmiştir. Önerilen yöntemin performansı çapraz doğrulama ve çapraz hasta deneyleri kullanılarak test edilmiştir. Elde edilen deneysel sonuçlara göre çapraz doğrulama deneyi için duyarlılık, özgüllük ve doğruluk oranları yaklaşık olarak sırayla %94, %94 ve %94 ve çapraz hasta için ise %76, %90 ve %90 olarak bulunmuştur.

The detection of epileptic seizures by electroencephalography (EEG) signals has become a standard method for the diagnosis of epilepsy. Manual identification of epileptic seizures by specialist neurologists is a very time consuming and labor intensive process, which also leads to various errors. Therefore, accurate and automatic detection of epileptic seizures is needed. For this purpose, frequency-based features were extracted from the EEG signal and a various classifiers based on ensemble learning was used to detect epileptic seizures automatically. The performance of the proposed method was tested using cross-validation and cross-patient experiments. According to the experimental results, sensitivity, specificity and accuracy rates were 94%, 94% and 94% for cross validation and 76%, 90% and 90% for cross-patients, respectively.